Professional Documents
Culture Documents
2023 BP
2023 BP
基于BP 神经网络的储层渗透率预测及质量评价方法
Method for reservoir permeability prediction and qualityevaluation based on
BP neural network
王猛,董宇,蔡军,刘海波,刘志杰,张志强
1 1 2 1 1 1
, , ,
WANG Meng1 DONG Yu 1 CAI Jun 2 LIU HaiBo1 LIU ZhiJie1 ZHANG ZhiQiang1 , ,
1. 中海油田服务股份有限公司,廊坊 065201
2. 中海石油(中国)有限公司上海分公司,上海 200000
1. WellTech Department of China Oilfield Services Limited ,Langfang 065201 ,China
2. CNOOC (China )Company Limited Shanghai Branch ,Shanghai 200000 ,China
质量,在油田现场并未大规模推广应用. 本文针对传统 ,
result of this method is uncertain and the predictive
quality of continuous permeability of the whole well cannot
BP 神经网络预测储层渗透率方法中存在的问题,在对 ,
be given accurately it is seldom used in oilfield. In view
机器学习的数据处理、参数选择系统考察的基础上,定 of the problems existing in the traditional BP neural
量分析了不同输入曲线、网络结构、样本大小对渗透率 ,
network method for predicting permeability based on the
systematic investigation of data processing and parameter
预测模型精度的影响,总结了BP 神经网络预测渗透率 ,
selection of the machine learning this paper quantitatively
模型的参数优选方案;并提出了一种基于模型森林的 ,
analyzes the influence of different input curves network
预测曲线质量逐点评价方法,实现了对全井段渗透率 structure and sample size on the accuracy of permeability
,
prediction model summarizes the parameter selection
预测的质量评价. 实际应用表明,本研究提出的储层渗 scheme of BP neural network for permeability prediction
透率预测及质量评价方法与实际岩心渗透率吻合度 ;
model and puts forward a pointbypoint evaluation method
高,推广应用前景良好. ,
of prediction curve quality based on model forest which
achieves the quality evaluation of whole well permeability
关键词 渗透率评价;神经网络;参数优选;质量控制; prediction. The practical application shows that the
逐点评价 reservoir permeability prediction and quality evaluation
method proposed in this paper is highly consistent with the
中图分类号 P631 ,
core permeability and has a good application prospect.
;
Keywords Permeability evaluation Neural network ;
文献标识码 A ; ;
Parameter optimization Quality control PointbyPoint
doi :
10. 6038 / pg2023FF0073 evaluation
收稿日期 20210803 ; 修回日期 2022 06 16 . 投稿网址 http :/ / www. progeophys. cn
基金项目 国家科技重大专项“大型油气田及煤层气开发“超低渗地层测试技术与装备”(2017 ZX05019 004 )资助.
第一作者简介 王猛,男,1982 年生,硕士研究生,高级工程师,主要从事测井及地质资料的综合解释评价与研究工作.
Email :wangmeng10 @ cosl. com. cn
322 地球物理学进展 www. progeophys. cn , ()
2023 38 1
0 引 言
层,一个输出层组成,各层由若干个神经元(节点)
构成,上下层之间的神经元相互连接,但同层的神经
储层渗透率是储层评价、产能预测、油田开发参 元并不连接,如图1 所示. 神经网络中每个节点代表
数设计、油藏数值模拟最重要的资料. 每一种测井参 一种特定的输出函数,成为激励函数,每两个节点间
数都不同程度地反映了储层渗透率的信息,且渗透 的联结都代表一个对于通过该连接信号的加权值,
率与测井参数之间是典型的多参数非线性映射问题 称之为权重,这相当于神经网络的记忆.
(邹文波,2020 ),综合利用多种测井参数预测渗透 BP 神 经网络(Back Propagation Neural Network )
率,对于提高储层渗透率计算精度具有十分重要的 是由Rumelhart 等(1986 )提出,是一种按照误差逆
意义. 向传播算法训练的多层前馈神经网络. 网络的学习
目前,渗透率主要采用单重孔隙介质渗透率模 需要经历信息正向传播和误差反向传播两个过程
型(Kozeny,1927 ;Carman,1937 ;Timur,1968 )和岩心 (杨淑娥和黄礼,2005 ).
拟合法(Amaefule et al. ,2009 ;Gunter et al. ,2014 ). 1. 1 网 络正向传播原理
其中,单重孔隙介质渗透率模型中最常用的是Timur 网络模型中层与层之间的信息传递依靠矩阵运
公式,该方法的缺陷是束缚水饱和度难以准确求取; 算(式(1 )):
岩心拟合法最常用的是基于“流动单元”思想的储 y=x×w +b , i i (1 )
层类型划分方法,该方法虽然保证了每一类储层孔 其中,x 为上一层的特征向量,输出到下一层的向量
隙度与渗透率有良好的相关性,但流动单元指标参 为y,w 为第i 层映射到第i + 1 层的权重矩阵,b 为
i i
数计算误差较大,使得渗透率计算误差较大(李雄 偏置项.
炎等,2020 ). 每一种渗透率计算方法均有其特定的 激励函数的作用是给网络模型加入非线性因
适用范围,对不同层位进行解释时都需要选择不同 素,使神经网络可以更好地解决实际中较为复杂的
的经验参数和计算方法,且在测井参数的选择上有 非线性问题. 常用的网络激励函数为Sigmoid 函数
所限制,因而解释结果存在较大的误差. (式(2 )),由于任何输入都会被缩放到0 到1 ,因此
在储层参数预测方面,一些浅层的神经网络已 会出现梯度消失的现象,为了避免该问题的影响,在
有所应用,比如BP 神经网络(Nasimi et al. ,2010 ; 数据输入模型前,需要对数据进行归一标准化处理.
Leite and Vidal ,
2011 ). 该类算法实现较为简单,但 式(2 )为:
针对复杂的非线性问题的泛化能力受到一定制约 sigmoid =
1
. (2 )
(Bengio,2009 ),同时还存在着收敛速度慢、容易陷 1 +e -z
计算模型误差后,通过反向传播算法反向依次 2. 1 特征选取及网络构建
计算每个隐含层的误差项,采用梯度下降法 不同测井反映的地层信息不同,大体可分为三
(Hochreiter et al. ,2001 )逐步调整每个隐含层的节 类:岩性、孔隙度、电阻率,由渗透率定义可知渗透率
点参数w 和b. w 和b 每次调整的方向及大小由根 和岩性、孔隙度高度相关,但深浅电阻率的差异在一
据损失函数计算模型中的每一个参数的梯度决定, 定程度上也反映了储层的渗透率. 为了避免增加模
常用的优化算法为Adam 算法(Kingma and Ba, 型的复杂度,在得到数据集后需要进行探索性数据
2017 ). 同时为了防止模型过拟合,还采用了Dropout 分析,目前可选的筛选方案有两类:经验法和
正则化方法(Hinton et al. ,2012 ;Srivastava et al. , Pearson 相关系数法. 经验法从经典公式出发,选择
2014 ),每 次迭代训练时随机使一部分节点失活(即 自然伽马(GR )、自然电位(SP)、密度(ZDEN )、声波
不调整该节点的参数),从而解决因协同作用引起 (DTC )、中子(CNCF);Pearson 相关系数法利用公式
的过拟合问题. 计算测井数据和渗透率数据之间的相关系数,选取
相关系数绝对值大于0. 3 的曲线:井径(CAL )、伽马
2 网 络 模 型 训 练 (GR )、中子(CNCF)、声波(DTC )、密度(ZDEN )、深
BP 神经网络模型的训练流程如下: 电阻率(RD )、浅电阻率(RS).
(1 )特征选取:选择与岩心渗透率高度相关的 在网络结构中,当且仅当数据非线性分离时才
测井信息输入到网络中,可供选择的筛选方案有两 需要隐含层,因此对于一般简单的数据集,1 ~ 2 层
类,分别为经验法和相关系数法; 隐含层通常就足够了(Lovassy et al. ,2011 ),同时根
(2 )归一标准化:为避免出现梯度消失的现象, 据经验,神经元数量一般等于输入变量的数量n,或
将数据集进行归一化处理,并筛除异常及无效数据; 是输入变量的2 倍再加1 ,即2n + 1.
(3 )数据集划分:划分为测试集、训练集,通常 依据以上调研结果,将各类特征选取方法与网
采用交叉验证的思想,即拿出大部分样本进行训练, 络结构参数进行组合,求取各模型的渗透率预测结
小部分样本进行预测并记录误差,循环多次,直到所 果的平均相对误差,如图2 和表1 所示.
有样本都被预测了一次而且仅被预测了一次,记录 表1 各类模型渗透率预测结果的平均相对误差
它们的误差平方加和,以便于得到更加可靠稳定的 Table 1 Average relative error of permeability prediction
模型; result of network models
(4 )网络构建:选择合适的隐含层及节点数,避 节点个数
免模型过拟合或欠拟合; 特征选取 网络结构
n 2n + 1
(5 )模型优化:正向传播计算该模型参数下的 单隐含层 60 % 47 %
误差,反向传播计算每个节点权重的梯度来调整模 相关系数法
双隐含层 136 % 84 %
型参数,使预测结果向实际值逼近,循环迭代直至训 单隐含层 84 % 67 %
练得到符合要求的模型. 经验法
双隐含层 279 % 205 %
以上训练流程中,特征参数、网络模型的隐含层
数及节点数对模型最终的训练效果影响极大,选取 从表1 中可以看出,在特征选取方法上,根据计
方法十分复杂,需要根据设计者的经验和多次试验 算测井数据与岩心渗透率之间的相关系数的方法,
来确定(沈花玉等,2008 ). 因此,总结一套通用的渗 明显要优于人工经验选择的方法,同时单隐含层和
透率预测模型参数优选方案,将有助于该方法在油 节点个数为2n + 1 的组合方案也要优于其他组合方
田现场的推广应用. 案. 这表明相关系数大小可有效反映不同曲线对渗
本文实验数据来源于东海陆架盆地5 口探井, 透率的敏感程度,避免错误信息对模型的影响,可以
共计287 组岩心渗透率和测井资料,测井资料包括 快速便捷地实现特征优选,此外,渗透率预测网络模
自然伽马、自然电位、深浅电阻率、密度等常规九条 型中隐含层数为1 层为最佳,过多的隐含层会降低
测井数据. 将287 组数据分为训练集和测试集,其中 模型的泛化能力.
训练集220 组用于模型学习,余下67 组作为测试集 2. 2 样本大小
不参与模型训练,仅用来计算模型预测渗透率误差. 在满足数据集规律性良好的前提下,训练样本
324 地球物理学进展 www. progeophys. cn , ()
2023 38 1
C =
v
1
n∑
(y - y) , (4 ) i
2
3. 1 最 优模型筛选 i
置求得梯度和步长找到一个新位置,这样不断迭代 值越大,表明输出结果越不稳定,计算精度越低.
v
思想,用随机初始神经网络参数的方式训练得到一 4 实 例 应 用 分 析
个模型森林,由于初始参数不同,因此模型森林的每
一个模型是各不相同的. 将测井数据输入到模型森 H 井为西湖凹陷某构造带的一口探井. 利用
, ( ) 王猛,等:基于BP 神经网络的储层渗透率预测及质量评价方法 (www. progeophys. cn)
2023 38 1 325
图2 最佳模型预测渗透率误差
Fig. 2 Error of the best model to predict permeability
图5 梯度下降法示意图
Fig. 5 Schematic diagram of gradient descent method
相关系数法计算各曲线与岩心渗透率之间
Pearson
的相关性,从中优选相关系数绝对值大于0. 3 的曲
线:CAL、GR 、CNCF、DTC 、ZDEN 、RD 、RS. 构建输入
层+ 隐藏层+ 输出层的单隐藏层网络结构,隐藏层
神经元节点数为15. 以此网络结果采用随机初始网
络参数的方式训练得到有1000 组模型的模型森林,
通过计算各条预测渗透率曲线的平均相关系数,选
取平均相关系数最大的预测曲线作为最终的预测结
图3 25 组样本训练模型预测渗透率误差 果,再利用公式(4 )计算预测质量评价参数c ,最终 v